COMBINATORIA

Previamente al estudio de la probabilidad en s, conviene dedicar algn tiempo al repaso de las

tcnicas combinatorias.
Recordemos que la Combinatoria es la parte de las Matemticas que se ocupa de la resolucin
de problemas de eleccin y disposicin de los elementos de cierto conjunto, de acuerdo con
ciertas reglas.
Es decir, dentro de la Combinatoria es dnde tienen sentido preguntas del tipo:
1. Cuntas quinielas distintas pueden hacerse?
2. Cuntas posibles combinaciones pueden darse en la lotera primitiva?
3. Qu posibilidades hay de que me toquen los cuatro ases en una mano de tute?
4. De cuntas formas se pueden sentar 5 personas en 5 asientos de un cine?
Trataremos de dar respuesta a estas cuestiones y algunas ms.
1.1. Conceptos fundamentales
En todo problema combinatorio hay varios conceptos claves que debemos distinguir:
1. Poblacin:
Es el conjunto de elementos que estamos estudiando. Llamaremos tamao de la poblacin al
nmero de elementos de este conjunto.
2. Muestra:
Es un subconjunto de la poblacin. Llamaremos tamao de la muestra al nmero de
elementos que la componen.
Los diferentes tipos de muestra vienen determinados por dos aspectos:
a. El orden, es decir, si es importante que los elementos de la muestra aparezcan ordenados
o no.
b. La posibilidad de repeticin o no de los elementos.
Ejemplo:
Veamos con qu tipo de poblaciones y muestras trabajamos en los ejemplos anteriores:
1. La poblacin en este caso es {1, X, 2}, que tiene tamao 3 (no hay otras posibilidades en una
quiniela).
Una quiniela (teniendo en cuenta el pleno al 15) es una muestra de tamao 15 de la
poblacin anterior (por ejemplo: 1XX121XXX212111).
Es evidente que el orden en esta muestra es importante (no es lo mismo una aspa en la
segunda casilla que en la quinta) y que se permiten elementos repetidos (los unos, aspas o
doses se pueden repetir).
Es por tanto una muestra ordenada y con repeticin.
2. En este caso la poblacin es mayor, pes son todos los nmeros desde el 1 al 49, es decir
{1, 2, 3, , 49}.
Por tanto, y si nos olvidamos del complementario, una apuesta de lotera primitiva es una
muestra de tamao 6 de dicha poblacin (por ejemplo 3, 18, 40, 41, 43, 45 ).
Aqu el orden no influye y los elementos no se pueden repetir (no puede salir un nmero ms
de una vez).
Son muestras no ordenadas y sin repeticin.
3. La poblacin ahora est formada por las 40 cartas que componen una baraja espaola, es
decir {1 oros, 2 oros, . . . . , Rey bastos}, y para el caso de cuatro jugadores, tenemos una
muestra de diez cartas, que evidentemente no se pueden repetir y adems el orden no
importa.
Muestras no ordenadas y sin repeticin.
4. La poblacin son las 5 personas a elegir, y la muestra tiene el mismo tamao, 5, pues
elegimos a las 5 personas. Eso s, ahora el orden s que es importante y adems las personas
no se pueden repetir.
Son muestras ordenadas y sin repeticin.
5. Un ejemplo de muestra no ordenada y con repeticin podra ser una mano de cartas pero
teniendo en cuenta que jugamos con 2 barajas idnticas mezcladas (80 cartas).
 Si se reparten 10 a cada uno de 4 jugadores, tenemos una muestra de tamao 10 en la que es
evidente que el orden no importa y que podemos tener cartas repetidas (por ejemplo, dos
caballos de oros).
El objetivo de la Combinatoria es calcular cuntos tipos de muestras de un determinado tamao
se pueden extraer de cierta poblacin. El resultado en el que nos basaremos a la hora de calcular
el nmero de muestras es el siguiente:
Principio de multiplicacin:
Si un procedimiento se puede separar en r etapas, de modo que el resultado de una de ellas no
influye en el resultado de las otras, y en cada una de estas etapas se obtienen respectivamente
n1 , n2 , n3 , , nr resultados, entonces el procedimiento global conduce a n1 n2 n3 nrn1
resultados.
Ejemplo:
Cuntos resultados podemos obtener al lanzar una moneda tres veces?
Aplicando el principio anterior, en el primer lanzamiento obtenemos 2
resultados (Cara o cruz), en el segundo lanzamiento, otros 2 y en el
tercero tambin 2.Por tanto, en total hay 2 2 2 = 8 posibles resultados.
Si lo disponemos en forma de diagrama de rbol, obtenemos los 8
resultados:
Diagrama de rbol
1.2. Muestras ordenadas

1.2.1. Muestras ordenadas sin repeticin

Si tenemos una poblacin de tamao n y queremos extraer una muestra ordenada y sin
repeticin de tamao k ( < ), razonemos de este modo:
El primer elemento lo podemos elegir entre n elementos.
El segundo, al no poder repetir, podemos elegirlo entre 1 elementos.

El elemento k, lo podremos elegir entre + 1 elementos.
Por tanto, y aplicando el principio de multiplicacin en total hay :
( 1) ( + 1)
muestras de tamao k ordenadas y sin repeticin.
Ejemplos:
1. De cuntas formas se pueden elegir 2 cartas, extradas sucesivamente y sin repetir, de una
baraja espaola?
La primera se puede elegir de 40 formas.
La segunda, al no poder repetir, slo se puede elegir de 39 maneras.
Por tanto, en total hay 40 39 = 1 560 posibilidades.
2. Seis ciclistas llegan al sprint en una prueba de la Olimpiadas, De cuntas maneras se
pueden colocar los tres primeros puestos?
Para el primer puesto hay 6 posibilidades.
Para el segundo, slo 5 posibilidades.
Para el tercero, quedan 4 opciones.
Por tanto hay en total 6 5 4 = 120 maneras.
Las muestras ordenadas y sin repeticin se denominan Variaciones sin repeticin
(ordenaciones). Por tanto, si el tamao de la poblacin es n y el de la muestra k, el nmero de
variaciones sin repeticin lo expresaremos por:
Vnk = n (n 1) (n k + 1)
(notemos que k, tamao de la muestra indica el nmero de factores que hay que multiplicar, por
ejemplo, en los ejemplos anteriores, en el primero las muestra eran de tamao dos y
multiplicbamos dos factores, y en el segundo eran muestras de tamao tres y multiplicbamos
tres factores).
Ejercicio:
Cuntos nmeros de cuatro cifras no repetidas se pueden formar con las cifras del 1 al 9
(ambas inclusive)?
1.2.2. Permutaciones
En el caso particular de que se tome una muestra de tamao igual al tamao de la poblacin, es
decir, = , las variaciones se denominan permutaciones y se obtendra:
Vnn = Pn = n (n 1) 1
El producto de todos los nmeros enteros desde el 1 hasta el n se denomina factorial de n y se
representa por n!. Por convencin, 0! = 1. No existen los factoriales de los nmeros negativos.1
Por tanto este caso particular de variaciones sin repeticin se denomina permutaciones sin
repeticin de n elementos y se expresa: Pn = n!.
Ejemplo:
De cuntas maneras se pueden sentar 5 personas en 5 asientos en un cine?
La primera persona se puede sentar en cualquier de los 5 sitios.
La segunda slo en 4, la tercera en 3, la cuarta en 2 y la quinta en 1.
De modo que hay 5 4 3 2 1 = 120 posibilidades, es decir, P5 = 5! = 120.
Ejercicio:
Cuntas palabras de 8 letras (con o sin sentido) se pueden formar con las letras A B C D E F G
H?
1.2.3. Permutaciones con elementos repetidos
Si queremos calcular el nmero de permutaciones de n elementos de los cules hay n1 de una
clase, n2 de otra, etc. de modo que n1 + n2 + + nr = n, entonces hablamos de permutaciones
de n elementos, algunos de los cuales estn repetidos, lo que se expresa como:
n ,n ,,n n!
Pn 1 2 r =
n1 ! n2 ! nr !
Ejemplo:
Con las letras A A A B B, cuntas palabras, con o sin sentido, pueden formarse?
La A se repite 3 veces y la letra B se repite 2 veces, y en total hay 5 letras. As el nmero total
5! 54
de palabras son: P53,2 = = = 10.
3!2! 2
Dichas palabras seran: AAABB, AABAB, AABBA, ABAAB, ABABA, ABBAA
Escribe los 4 restantes.
Ejercicio:
Con 5 signos + y 3 signos , cuntas cadenas de smbolos se pueden formar?
1.2.4. Muestras ordenadas con repeticin
Si la poblacin es de tamao n y la muestra de tamao k, pero ahora permitimos repeticiones,
procedemos as:
El primer elemento se puede elegir de n maneras.
Como podemos repetir, el segundo tambin se puede elegir de n maneras.
...
El elemento nmero k se puede elegir de n maneras.
= muestras de este tipo.
En total tendremos

Ejemplos:
1. De cuntas maneras se pueden elegir 2 cartas con devolucin de una baraja de 40 cartas?
La primera se puede elegir de 40 maneras y se devuelve al mazo.
La segunda tambin se puede elegir de 40 maneras.
En total hay 40 40 = 1 600 formas.

1
Si intentsemos calcular, por ejemplo (4)!, por definicin deberamos escribir: (4) (3) (2) (1) 0
1 = 0 , es decir, el 0 siempre aparecera en un factorial de un entero negativo, y dicho factorial sera siempre 0.
No tiene sentido, por tanto, calcular el factorial en este caso
2. De cuntas formas se puede entregar el Premios al primer clasificado, al segundo, al
tercero, y al cuarto entre 5 pelculas diferentes en un festival de cine?
El primer Premio se puede dar de 5 maneras, el segundo tambin, el tercero tambin y el
cuarto tambin.
Por tanto hay 54 = 625 posibilidades.
Las muestras ordenadas y con repeticin se denominan Variaciones con repeticin y lo
expresaremos: VRkn = nk.
Ejercicio:
Cuntos nmeros de tres cifras (no necesariamente distintas) pueden formarse con los dgitos
1,6,7,8,9?
1.3. Muestras no ordenadas

1.3.1. Muestras no ordenadas y sin repeticin

Para estudiar este caso, es conveniente fijarse en un ejemplo.
Supongamos que tenemos una bolsa con 5 bolas numeradas del 1 al 5. Sacamos
simultneamente dos bolas (sin importar el orden y sin repetir), cuntos posibles resultados
hay?
Examinemos las posibilidades. Si el orden fuese importante ya sabemos que tendramos
5 4 = 20 posibilidades (V52 = 54) que seran:
1, 2 1, 3 1, 4 1, 5
2, 1 2, 3 2, 4 2, 5
3, 1 3, 2 3, 4 3, 5
4, 1 4, 2 4, 3 4, 5
5, 1 5, 2 5, 3 5, 4
Ahora bien, como no nos importa el orden, para nosotros las parejas 2, 1 y 1, 2 que son 2, en
realidad slo deberan contar como una, y lo mismo ocurre con el resto de parejas.
Entonces estamos contando cada pareja dos veces. Por tanto, para obtener el nmero de parejas
que buscamos tenemos que dividir entre 2. As resulta que el nmero de muestras no ordenadas
20
y sin repeticin que tenemos es de = 10, slo 10 posibilidades que son:
2
{1, 2}, {1, 3}, {1, 4}, {1, 5}, {2, 3}, {2, 4}, {2, 5}, {3, 4}, {3, 5}, {4, 5}
donde las llaves indican que el orden no importa.
Si sacsemos 3 bolas en lugar de 2, tendramos los tros: 1, 2, 3 1, 2, 4 1, 2, 5 etc. en total
5 4 3 = 60 posibilidades (V53 = 5 4 3).
Razonando de igual manera al caso anterior, todos aquellos tros en los que estuviesen por
ejemplo, el 1, el 2 y el 3 estaran repetidos. Ahora bien, cuntas veces se repite cada tro?
Veamos, tomando como ejemplo los tros con 1, 2 y 3 obtenemos: 1, 2, 3; 1, 3, 2; 2, 1, 3; 2, 3, 1;
3, 1, 2; 3 ,2, 1 seis posibilidades (P3 = 3!) que en realidad representan lo mismo pues no nos
importa el orden. Lo mismo ocurre con cada tro, de modo que cada uno de ellos se repite seis
veces, as pes si no tenemos en cuenta el orden, el nmero de muestras no son 60 sino:
60
= 10 maneras (no ordenadas y sin repeticin).
6
Ejercicio:
Escribir los 10 tros (no ordenados) del ejemplo anterior.
Formalizando lo anterior, si la poblacin es de tamao n y se extraen muestras de tamao k, si
fuesen ordenadas seran Vnk = n (n 1) (n k + 1), pero como son no ordenadas tenemos
que dividir por el nmero de maneras de ordenar esas muestras de tamao k, es decir hay que
dividir por Pk = k!.
Resumiendo, el nmero de muestras no ordenadas y sin repeticin de tamao k que se extraen
Vk
n
de una poblacin de tamao n es: .
Pk
Las muestras no ordenadas y sin repeticin se denominan Combinaciones sin repeticin y las
Vk
expresaremos: Cnk = n
. El nmero de combinaciones sin repeticin Cnk se recuerda de manera
Pk
ms sencilla mediante otra frmula:

Cnk = ( )


La expresin ( ) se denomina nmero combinatorio y se lee n sobre k.

Una regla sencilla que permite calcular este nmero combinatorio es:
n n!
( )=
k k! (n k)!
Ejemplos:
1. De cuntas maneras se pueden sacar 3 bolas numeradas en cualquier orden, de una bolsa
que contiene 5 bolas?
Seran combinaciones de 5 elementos de los que sacamos 3, es decir, tenemos que calcular:
5!
C53 = = 10
3! 2!
son las maneras que habamos calculado en el ejemplo de la introduccin.
2. De cuntas formas se puede formar un grupo de trabajo de 6 alumnos de entre una clase de
27?
En este caso son combinaciones (no importa el orden ) de 27 elementos de los que se
6 27!
escogen 6, es decir: C27 = = 296 010 (Comprubalo!).
6!21!
Ejercicio:
De cuntas maneras se pueden extraer 6 bolas de un bombo que contiene 49 bolas? (Lotera
Primitiva)
Hay algunos tipos ms de muestras, en concreto las muestras no ordenadas con repeticin, pero
no se estudiarn en este momento.

PROBABILIDADES
La probabilidad y la estadstica son, sin duda, las ramas de las Maten ticas que estn en mayor
auge en este siglo, y tienen una tremenda aplicabilidad en todos los aspectos y ciencias,
especialmente en las Ciencias Sociales, puesto que aquellas variables que influyen en dichas
ciencias, econmicas, demogrficas, suelen tener carcter aleatorio, es decir, no son
deterministas, y se fundamentan en predicciones a partir de datos conocidos. Todo aquello que
implique prediccin nos lleva al terreno de la probabilidad.
2.1. Experimentos aleatorios
En todos los aspectos de la vida a veces nos encontramos con acontecimientos predeterminados,
es decir, tales que podemos decir el resultado de dichos acontecimientos antes de que finalice o
incluso de que comience. Tal es el caso de:
1. Tirar una piedra desde un edificio ( sabemos que se caer).
2. Calentar un cazo de agua ( sabemos que la temperatura sube).
3. Golpear una pelota ( sabemos que se va a mover, e incluso conociendo fuerzas que actan
etc., podemos conocer precisamente dnde caer ).
Tales acontecimientos o experimentos de los que podemos predecir el resultado antes de que se
realicen se denominan experimentos deterministas.
Sin embargo, analicemos otro tipo de experimentos, mucho ms interesantes desde el punto de
vista matemtico:
Imaginemos que lanzamos un dado al aire (normal, de 6 caras y no trucado). Podemos predecir
el resultado que vamos a obtener?. Evidentemente no. Este es un experimento que no es
determinista.
A este tipo de experimentos, en los cuales no se puede predecir el resultado antes de realizar el
experimento se les denomina experimentos aleatorios.
Otros ejemplos de experimentos aleatorios pueden ser:
Tirar una moneda al aire y observar qu lado cae hacia arriba, rellenar una quiniela de ftbol,
jugar una partida de pker y, en general, cualquier juego en el que intervenga el azar.
2.2. Definiciones bsicas
La teora de probabilidades se ocupa de asignar un cierto nmero a cada posible resultado que
pueda ocurrir en un experimento aleatorio, con el fin de cuantificar dichos resultados y saber si
un suceso es ms probable que otro o relaciones parecidas. Con este fin, introduciremos algunas
definiciones.
Si realizamos un experimento aleatorio, llamaremos espacio muestral del experimento al
conjunto de todos los posibles resultados de dicho experimento.
Al espacio muestral lo representaremos por E (o bien por la letra griega omega ).
A cada elemento que forma parte del espacio muestral se le denomina suceso elemental.
Ejemplo:
1. Cul es el espacio muestral asociado al experimento de lanzar un dado normal al aire y
observar la cara que queda hacia arriba?
Evidentemente, en este caso hay 6 posibles resultados (6 puntos muestrales) y el espacio
muestral estar formado por: E = {1,2,3,4,5,6}.
2. Y en el caso del lanzamiento de una moneda?
Entonces E={C,X}
Ejercicios:
1. Escribir el espacio muestral asociado al experimento de sacar una carta de entre las diez del
palo de copas de una baraja espaola.
2. Escribir el espacio muestral asociado al experimento de lanzar dos dados de diferentes
colores y observar la pareja de nmeros que se obtiene.
3. Escribir el espacio muestral asociado al experimento de lanzar dos dados de diferentes
colores y sumar los nmeros que se obtienen.
Llamaremos suceso aleatorio a cualquier subconjunto del espacio muestral. El concepto de
suceso es fundamental en probabilidad. Dicho de forma simple, un suceso de un experimento
aleatorio es cualquier cosa que se nos ocurra afirmar sobre dicho experimento.
As, si tiramos una moneda dos veces, seran sucesos todos los siguientes:
1. Sale al menos una cara.
2. Salen ms caras que cruces.
3. La moneda cae de canto.
4. No sale ninguna cruz.
Llamaremos suceso imposible al que no tiene ningn elemento y lo representaremos por .
Llamaremos suceso seguro al formado por todos los posibles resultados (es decir, al espacio
muestral).
Llamaremos espacio de sucesos y lo representaremos por S, al conjunto de todos los sucesos
aleatorios.
Ejemplo:
1. En el caso del lanzamiento de la moneda en el que el espacio muestral era E={C,X},
analicemos quin es el espacio de sucesos:
Sucesos con 0 elementos:
Sucesos con 1 elemento: {C}, {X}
Sucesos con 2 elementos: {C, X}
De modo que el espacio de sucesos es: S = {, {C}, {X}, {C, X}}.
2. En el caso del lanzamiento de dos monedas, si haces el diagrama de rbol obtienes el
siguiente espacio muestral:
E = {(C, C), (C, X), (X, C), (X, X)}
El espacio de sucesos tiene ahora 16 elementos, que puedes intentar escribir, siguiendo el
esquema anterior, desde los sucesos con 0 elementos hasta aquellos que tienen 4 elementos.
Si describimos los sucesos que ponamos antes como ejemplos, obtenemos:
a. Sale al menos una cara = {(C, C), (C, X), (X, C)}
b. Salemas caras que cruces = {(C, C)}
c. La moneda cae de canto =
d. No sale ninguna cruz = {(C, C)}
3. En el caso del lanzamiento del dado el espacio de sucesos es mucho ms amplio (64
elementos.
Sera interesante que intentases escribirlos todos o al menos te dieses cuenta de cmo son ,
aunque no los escribas todos)
En este mismo ejemplo, se puede considerar el suceso A= sacar un nmero par. De qu
puntos muestrales consta el suceso A?. Evidentemente, A = {{2}, {4}, {6}}.
Otros sucesos pueden ser: B = Sacar un nmero mayor que 5 {{6}}.
C = Sacar un nmero par y menor que 5 {{2}, {4}}.
Ejercicio:
Una urna contiene dentro 4 bolas de las cuales 2 son blancas, 1 roja y otra azul. Se saca una bola
de la urna.
a. Escribir el espacio muestral.
b. Escribir los sucesos no sacar bola azul y sacar bola roja o blanca.
c. Escribir el espacio de sucesos.
Los sucesos admiten una representacin grfica que facilita su interpretacin; del modo:

Figura 2.1: Representacin en diagrama de Venn del suceso A

Por ejemplo, en el caso del dado:

Figura 2.2: Representacin en diagrama de Venn para un dado

A= salir par y menor que 5. Estos diagramas se denominan diagramas de Venn.
Propiedad:
Si el espacio muestral tiene n elementos, el espacio de sucesos tiene 2 elementos.
Ejemplo:
En el caso del dado, el espacio muestral tena 6 elementos y el espacio de sucesos tiene 26 = 64
elementos.
En el caso de la moneda, el espacio muestral tena dos elementos y el espacio de sucesos tiene
22 = 4 elementos.
2.3. Operaciones con sucesos
Si realizamos un experimento aleatorio y consideramos varios sucesos A, B, C, etc., asociados a
dicho experimento, podemos realizar varias operaciones entre ellos. Los ms importantes son:
1. Igualdad de sucesos:
Dos sucesos A y B son iguales si estn compuestos por los mismos elementos. Lo
expresaremos por A = B.
2. Interseccin de sucesos:
Llamaremos suceso interseccin de los sucesos A y B, y lo representaremos por A B, al
suceso ocurren A y B a la vez.
Ejemplo:
Si tiramos un dado, ya sabemos que el espacio muestral asociado es E={1,2,3,4,5,6}.
Sean los sucesos A= sacar un n par = {2,4,6}, y B= sacar un nmero entre 2 y 4
(inclusive) = {2,3,4}. El suceso A B es tal que ocurren A y B a la vez, es decir:
A B = sacar un n par y que est entre 2 y 4 (inclusive) = {2,4}.
El suceso A B son los elementos comunes a los conjuntos A y B (elementos que estn en
los dos conjuntos).
 Representado en diagramas de Venn:

Figura 2.3: Interseccin de sucesos: A B

En ocasiones podremos encontrarnos con sucesos que NO tengan elementos en comn. En
estos casos se dice que los sucesos A y B son incompatibles, y su interseccin se representa
con el conjunto vaco: A B = .
Evidentemente, si los sucesos s tienen interseccin, diremos que son compatibles.
3. Unin de sucesos:
Llamaremos suceso unin de los sucesos A y B y se representa por A B al suceso ocurre
A o bien ocurre B o bien ocurren ambos a la vez(tambin podemos decir que ocurre
alguno).
Es decir A B son los elementos que estn en ambos conjuntos (aunque no necesariamente
en los dos a la vez). Representado en diagrama de Venn:

Figura 2.4: Unin de sucesos: A B

Ejemplo:
En el caso anterior:
A B = sacar un n par o un n que est entre 2 y 4 (inclusive) = {2,3,4,6}.
NOTA:
Observemos que la interseccin de dos conjuntos siempre es menor que la unin, de hecho
es menor que el propio conjunto.
Escrito matemticamente: A B A B, A B A, A B B, A A B, B A B
(El smbolo significa contenido, o que el primer conjunto es un subconjunto del
segundo)
4. Suceso contrario de otro:
Dado un suceso A, denominaremos suceso contrario de A y se representar por A (o bien A o
c
bien A ) al suceso que tiene por elementos a todos aquellos que no pertenecen a A.
Ejemplo:
Si tiramos un dado, ya sabemos que el espacio muestral asociado es E = {1,2,3,4,5,6}.
Como antes, los sucesos A=sacar un n par = {2,4,6}, por tanto A = {1,3,5} y B= sacar

un nmero entre 2 y 4 (inclusive) = {2,3,4}, de modo que B = {1,5,6}.
En un diagrama de Venn:

.(Todo lo que no est incluido en A)

Figura 2.5: La parte punteada es A
5. Diferencia de sucesos:
Si A y B son dos sucesos, llamaremos diferencia entre A y B al suceso B A, que consta de
los elementos que estn en B pero no estn en A. Por ejemplo, si A = {2,4,6}, B = {2,3,4},
tenemos que B A = {3}. Se cumple que B A = B A B, y tambin que B A = A
B.
 Representado en un diagrama de Venn:

Figura 2.6: La parte rayada es B A, todos los elementos de B que no estn en A

De todas formas, hemos de ser cuidadosos con esta operacin: No se debe confundir con una
simple resta como operacin numrica, sino que es una diferencia conjuntista, quitar los
elementos comunes a dos conjuntos.
Ejercicio:
En una urna tenemos 9 bolas numeradas del 1 al 9. Sacamos una y anotamos su nmero.
Sean los sucesos: A= sacar un n primo B= sacar un n cuadrado (por ejemplo 4 es un
nmero cuadrado, porque 4 = 22 ). Se pide:
a. Describir el espacio muestral.
b. Cuntos elementos tiene el espacio de sucesos?
c. Calcula A B y A B.
d. .Son A y B compatibles o incompatibles?.
e. Calcula AyB .
f. Si C=sale un nmero impar, calcula A C, B C,C , A C, A
C .
Propiedades de las operaciones con sucesos:
Las operaciones con sucesos tienen las siguientes propiedades, la mayora de ellas bien
conocidas:
Interseccin Unin
Conmutativa AB =BA AB =BA
Asociativa A (B C) = (A B) C A (B C) = (A B) C
Idempotente AA =A AA =A
Simplificacin A (A B) = A A (A B) = A
Distributiva A (B C) = (A B) (A C) A (B C) = (A B) (A C)
Elemento neutro AE = A A =A
Absorcin A =A AE = A
Adems de estas sencillas propiedades (que se demuestran fcilmente mediante un diagrama de
Venn), las operaciones con sucesos tienen otras dos propiedades muy importantes:
Leyes de De Morgan: Si A y B son dos sucesos, se verifican:

(A B) = A B


(A B) = A B
Demostracin: Demostraremos la primera de las igualdades.
En primer lugar, representemos en un diagrama de Venn (A B). Para ello, primero
representamos A B, y luego su contrario
(A B):

Figura 2.7: Imagen 1 corresponde a A B. Imagen 2 corresponde a A B

Ahora, representaremos en otro diagrama el otro miembro, es decir A B. En primer lugar,

representaremos A, luego B y luego su interseccin:

. Imagen 2 corresponde a B
Figura 2.8: Imagen 1 corresponde a A . Imagen 3 corresponde a
B
A .
Observando los dos resultados, vemos que las partes rayadas son iguales, por lo que la igualdad
es cierta.
Ejercicio:
1. Mediante un procedimiento similar, demostrar la segunda ley de De Morgan.
2. Luisa y Mara interviene en un torneo de ajedrez. La primera que gane dos partidas
seguidas o tres alternas gana el torneo. Encuentra el espacio muestral con todos los
resultados posibles (suponemos que nunca hacen tablas).
(Indicacin: Utiliza un diagrama de rbol).
3. Consideramos el fenmeno aleatorio extraer una carta de una baraja de 40 y anotarla.
Sean los sucesos A= sacar oro, B= sacar rey, C= sacar el rey de bastos.
Determina los sucesos: A C, A B C, A B C, A
B
2.4. Asignacin de probabilidades. Regla de Laplace
Hasta el momento hemos descrito lo que es un experimento aleatorio y hemos definido
los conceptos bsicos asociados a este experimento. Nos falta responder a esta pregunta:
Cmo asignar probabilidades a cada uno de los sucesos de un experimento aleatorio?
Hay muchas maneras de asignar probabilidades. La ms sencilla e intuitiva la dio el
maten tico francs Pierre Simn Laplace (1749-1827), quin enunci la regla que lleva
su nombre:
Regla de Laplace:
Si realizamos un experimento aleatorio en el que hay n puntos muestrales, todos
igualmente probables, entonces si A es un suceso, la probabilidad de que ocurra el
suceso A es:
nmero de casos favorables al suceso A
p(A) =
nmero de casos posibles
Ejemplo:
Lanzamos un dado normal al aire. Consideramos el suceso A= sale par. Calcular
p(A).
Hay seis casos posibles, pues E = {1,2,3,4,5,6}.
Los casos favorables al suceso A son A = {2,4,6}.
3 1
Por tanto p(A) = 6 = 2 = 0.5.
(Notemos que la probabilidad siempre es un nmero positivo y menor, o a lo sumo igual
a 1).
El inconveniente que plantea la definicin de Laplace es que necesariamente los puntos
muestrales tienen que tener la misma probabilidad de ocurrir.
Observemos un caso tan sencillo como el siguiente:
De una urna que contiene 8 bolas rojas, 5 amarillas y 7 verdes se extrae una bola al azar.
Calcula la probabilidad de que la bola extrada sea :
a. roja
b. verde
c. amarilla
El espacio muestral en este caso sera: E={R,V,A}, que consta slo de tres elementos,
pero sera un poco ingenuo asignar las probabilidades mediante la regla de Laplace,
1 1 1
p(R) = 3, p(V) = 3, p(A) = 3
porque ya intuitivamente se ve que hay ms posibilidades, por ejemplo, de que salga
una bola roja que de que salga una bola amarilla, de modo que .cmo asignar
probabilidades?
Fue el maten tico ruso Kolmogorov quin precis este trmino:
Definicin axiomtica de probabilidad:
Una probabilidad p es una funcin que asocia a cada suceso A del espacio de sucesos S ,
un nmero real p(A), es decir: p: S R , y que cumple las propiedades:
1. 0 p(A) 1, (es decir, cualquier suceso tiene probabilidad positiva y menor o igual
que 1).
2. p(E) = 1 (la probabilidad del suceso seguro es 1).
3. Si A y B son incompatibles, es decir A B = , entonces p(A B) = p(A) + p(B).
(es decir la probabilidad de la unin es la suma de las probabilidades si los sucesos
tienen interseccin vaca).
Ejemplo:
Sea un experimento aleatorio cualquiera y definamos en S (espacio de sucesos) la
siguiente probabilidad:
nmero de elementos del conjunto A
p(A) =
nmero total de elementos
Comprobemos que p es una probabilidad.
Para ello, comprobemos las tres propiedades:
a. Se ve que la probabilidad de cualquier suceso est entre cero y uno, puesto que
cualquier conjunto que tenga elementos ya tendr probabilidad positiva, y el nmero
de elementos de cualquier conjunto no puede ser mayor que el nmero total de
elementos existentes.
b. p(E) = 1, es evidente.
c. Tomemos dos sucesos A y B que no tengan elementos en comn. Entonces:
elementos que forman parte de A o de B
p(A B) = =
nmero total de elementos
nmero de elementos de A + nmero de elementos de B
= = p(A) + p(B)
nmero total de elementos
puesto que si A y B no tienen elementos comunes, el nmero de elementos de la
unin es la suma de los elementos de cada conjunto por separado.
Por tanto se cumplen las 3 propiedades y p as definida es una probabilidad. Esta ser
la definicin de probabilidad que utilicemos a partir de ahora.
Ejemplo:
En el ejemplo de las urnas anterior, lo lgico es definir la probabilidad as: Como en
8 7
total hay 20 bolas y 8 son rojas, 7 verdes y 5 amarillas, p(R) = 20, p(V) = 20, p(A) =
5
. Se puede comprobar que as definida p es una probabilidad.
20
Sin embargo, comprobar las propiedades de la definicin de Kolmogorov es una labor
larga y engorrosa, puesto que hay que verificar que se cumple para todos aquellos
sucesos del espacio de sucesos S, que es ciertamente amplio en muchas ocasiones. El
siguiente resultado simplifica la tarea de decidir cundo una funcin p sobre el espacio
de sucesos es una probabilidad, basndose slo en los puntos muestrales, es decir,
aquellos que forman parte del espacio muestral. Lo enunciaremos sin demostracin:
Propiedad
Si w1 , w2 , . . . , wn son los n puntos muestrales de un suceso aleatorio cualquiera, p una
funcin p: S R de modo que cumple las propiedades:
1. 0 p(wi) 1 i {1, 2, . . . , n}
2. p(w1 ) + p(w2 ) + + p(wn ) = 1
Entonces p es una probabilidad.
Ejemplo:
Comprobar si las siguientes funciones definidas para los puntos muestrales son
probabilidad, siendo E={a,b,c,d} el espacio muestral del experimento aleatorio:
1 1 1 1
a. p(a) = , p(b) = , p(c) = , p(d) =
2 3 4 5
Es obvio que la primera propiedad se cumple, puesto que las cuatro probabilidades
son nmeros positivos menores que 1.
Para ver si se cumple la segunda, basta realizar la suma:
1 1 1 1 30 + 20 + 15 + 12 77
+ + + = =
2 3 4 5 60 60
que evidentemente NO es 1, luego p NO es probabilidad.
1 1 1
b. p(a) = 4, p(b) = 2, p(c) = 0, p(d) = 4
Es obvio que la primera propiedad se cumple, puesto que las cuatro probabilidades
son nmeros positivos o cero menores que 1.
Para ver si se cumple la segunda, basta realizar la suma:
1 1 1 1+2+1
+ + = =1
4 2 4 4
luego p S es probabilidad.
Consecuencias de la definicin de probabilidad:
1. p(A ) = 1 p(A)
En efecto, puesto que E = A A y adems A y A son incompatibles, resulta por la
propiedad (3) de la definicin que
p(E) = p(A A ) = p(A) + p(A )
Y por la propiedad (2), p(E) = 1, luego 1 = p(A) + p(A ) y por tanto p(A
) = 1
p(A).
2. p() = 0
Como E = , resulta que p(E
) = p() = 1 p(E) = 1 1 = 0.
3. Si A y B son dos sucesos cualesquiera, p(A B) = p(A) + p(B) p(A B).
4. Si A, B y C son tres sucesos cualesquiera,
p(A B C)
= p(A) + p(B) + p(C) p(A B) p(A C) p(B C) + p(A
B C)
Ejemplo:
Se tira una moneda 3 veces. Calcular la probabilidad de obtener alguna cara.
Los problemas de este tipo, en los que se pide la probabilidad de obtener alguna cosa,
se suelen resolver muy bien por paso al complementario. En este caso concreto, A=
obtener alguna cara.
= no obtener ninguna cara = obtener 3 cruces.
A
1
Entonces, p(A) = 8, pues hay 8 casos posibles (2 2 2, !haz el diagrama de rbol!) y
slo uno favorable (XXX, 3 cruces), por tanto: p(A ) = 1 p(A) = 1 1 = 7.
8 8
Ejercicio:
Calcular la probabilidad de obtener al menos 1 seis si se lanza 4 veces un dado.
Ejemplo:
Se lanza un dado dos veces y se suman las dos caras. Sea A el suceso A= la suma de
resultados es mayor o igual que 10 y B= la suma de los resultados es mltiplo de 6.
Calcular p(A), p(B) y p(A B).
Hay 36 posibles resultados al lanzar dos veces un dado. Cuntos de ellos suman 10 o
ms?
 Que sumen 10: (4,6), (5,5), (6,4)
Que sumen 11: (5,6), (6,5)
Que sumen 12: (6,6)
6 1
Por tanto, p(A) = = .
36 6
Cuntos hay que sumen mltiplo de 6?
Que sumen 6: (1,5), (2,4),(3,3), (4,2), (5,1)
Que sumen 12: (6,6)
6 1
Por tanto, p(B) = 36 = 6.
1
En cuanto a A B = (6, 6), luego p(A B) = 36.
Ejercicios:
1. Se ha encargado la impresin de una encuesta a una imprenta, que imprime 12 folios
defectuosos de cada 1 000. Hallar la probabilidad de que elegido un folio de la
encuesta al azar:
a. Est mal impreso.
b. Est correctamente impreso.
2. Una bolsa contiene 8 bolas numeradas. Se extrae una bola y anota su nmero. Sean
los sucesos A= salir par, B= salir impar, C= salir mltiplo de 4.
Calcular las probabilidades de A B,A C,B C,A B C.
3. Extraemos una carta de una baraja espaola. Calcula:
a. La probabilidad de que sea un rey o un as.
b. La probabilidad de que sea un rey o una copa.
c. La probabilidad de que sea un rey y una copa.
4. En el banquete posterior a una boda se sientan en la presidencia 10 personas, entre
los cuales se encuentran los novios. Calcular la probabilidad de que los novios estn
juntos en el centro de la mesa.
2.5. Probabilidad condicionada
Hasta ahora nos hemos limitado a calcular probabilidades nicamente partiendo de un
experimento aleatorio, sin tener ms informacin. Pero, qu ocurre si conocemos alguna
informacin adicional?
Supongamos que estamos realizando el experimento aleatorio de lanzar un dado y obtener el
1
nmero que sale. Consideremos el suceso A= sale un 4. Evidentemente, p(A) = .
6
Ahora bien, .variara esta probabilidad si al lanzar el dado alguien pasa por all y nos dice que ha
salido un nmero par?
Disponemos entonces de una informacin adicional, B = {2,4,6}.
Hemos reducido nuestro espacio muestral, que ahora slo consta de tres elementos y tenemos
que cambiar las probabilidades asignadas.
Ahora el suceso A no tiene una posibilidad entre seis de ocurrir, sino una entre tres, es decir,
1
p(A) = .
3
Esta es la idea de la probabilidad condicionada: La informacin obtenida B, modifica la
1
probabilidad de A. Lo expresaremos as: p(A|B) = y se lee probabilidad de A condicionada a
3
B o probabilidad de A conociendo B.
El caso anterior es muy sencillo, pues directamente podemos calcular p(A|B), pero si el espacio
muestral se ampla, el problema es ms complicado. La frmula siguiente simplifica el
problema.
Definicin:
Sea A un suceso aleatorio asociado a un experimento aleatorio, y sea B otro suceso que sabemos
que se ha realizado.
Llamaremos probabilidad de A condicionada a B y lo expresaremos por p(A|B)a la expresin:
p(A B)
p(A|B) =
p(B)
(de idntico modo se define p(B|A), escribe la frmula).
Ejemplo:
3 1
Para el caso anterior, A = {4}, B = {2,4,6} luego p(B) = = .
6 2
1
A B = {4} luego p(A B) = .
6
p(AB) 16 2 1
Luego, p(A|B) = = = = , es lo mismo que obtenamos antes directamente.
p(B) 12 6 3
Ejercicios:
1. Calcula la probabilidad de que la suma de las caras de dos dados sea mayor a igual que 10
sabiendo que en el primer dado ha salido un seis.
2. Se lanzan dos dados: cul es la probabilidad de obtener una suma de puntos igual a siete?
Si la suma de puntos ha sido 7, .cul es la probabilidad de que en alguno de los dados haya
salido un 3?
2.6. Sucesos independientes
Si bien el conocer cierta informacin adicional modifica la probabilidad de algunos sucesos,
puede ocurrir que otros mantengan su probabilidad, pese a conocer dicha informacin.
Por ejemplo, en el lanzamiento de un dado, consideremos los sucesos: A= sacar un nmero
par y B= sacar un nmero menor o igual que 2. Es claro que A = {2,4,6} y B = {1,2}.
Calculemos la probabilidad de A conociendo que se ha realizado el suceso B, es decir, p(A|B).
Utilizando la frmula:
p(A B) 16 3 1
p(A|B) = = = = = 0.5
p(B) 13 6 2
1 1
puesto que p(A B) = p(sacar par y menor o igual que 2) = y p(B) = .
6 3
Pero si no conocisemos la informacin B, cul sera la probabilidad de A?
3
p(A) = p(sacar par) = = 0.5, es decir que p(A|B) = p(A), y por tanto el conocer la
6
informacin B no modifica la probabilidad de A.
Cuando esto ocurre es decir, cuando p(A|B) = p(A), diremos que los sucesos A y B son
independientes (el hecho de que ocurra B no modifica la probabilidad de A).
Propiedad:
A y B son sucesos independientes siempre y cuando p(A B) = p(A) p(B) (criterio de
independencia de dos eventos).
Demostracin:
Necesidad Si A y B son independientes, p(A|B) = p(A), y por la frmula de la probabilidad
p(AB) p(AB)
condicionada, p(A|B) = , luego = p(A), y por tanto p(A B) = p(A) p(B).
p(B) p(B)
Suficiencia Partiendo de p(A B) = p(A) p(B), entonces
p(A B) p(A)p(B)
p(A|B) = = = p(A)
p(B) p(B)
luego p(A|B) = p(A) y por tanto A y B son independientes.
Ejemplo:
1 1
En el caso anterior, p(A B) = 16, y por otra parte p(A) = y p(B) = ,luego se cumple que
2 3
1 1 1
p(A B) = = = p(A) p(B), luego A y B son independientes.
6 2 3
Ejercicio:
2 1
De dos sucesos conocemos que p(A B) = y p(A) = , calcula p(A B) y p(B) para que A
3 5
y B sean independientes.
(Indicacin: Utilizar la frmula de la unin de dos sucesos y la de la independencia de sucesos).
7 7
(Solucin: p(B) = , p(A B) = ).
12 60
NOTA IMPORTANTE:
No se deben confundir los conceptos de sucesos incompatibles y sucesos independientes. Dos
sucesos son incompatibles cuando no tienen elementos en comn, es decir, A B = , o con
diagramas de Venn:

Figura 2.9: A y B incompatibles, sin elementos en comn.

Dos sucesos son independientes si p(AB) = p(A) p(B). Son conceptos totalmente distintos.
Uno se refiere a CONJUNTOS y otro se refiere a PROBABILIDADES.
2.7. Experimentos compuestos. Teorema de la probabilidad total.
Un experimento compuesto es aquel que consta de dos o ms experimentos aleatorios simples.
Es decir, si tiramos un dado, o una moneda, son experimentos aleatorios simples, pero si
realizamos el experimento de tirar un dado y posteriormente una moneda, estamos realizando un
experimento compuesto.
Propiedad:
De la frmula para calcular la probabilidad condicionada se deduce inmediatamente que:
p(A B) = p(B) p(A/B) y p(A B) = p(A) p(B/A)
Ejemplo:
Se extraen 2 cartas, sucesivamente, de una baraja de 40. Calcular la probabilidad de extraer 2
jotas.
Sea A = sacar jota en la primera y B = sacar jota en la segunda.
Nos piden p(A B).
Segn la frmula anterior, p(A B) = p(A) p(B|A).
4 1 3 1 1 1 1
Ahora bien , p(A) = = y p(B|A) = = , por lo que p(A) = = .
40 10 39 13 10 13 130
La forma ms sencilla de calcular probabilidades en experimentos compuestos es un diagrama
de rbol, donde en cada rama situamos la probabilidad que le corresponde al suceso del final de
dicha rama. Estas probabilidades que se van poniendo en el rbol son probabilidades
condicionadas, porque dependen de los resultados anteriores.
En el caso del ejercicio anterior, el diagrama sera:

Figura 2.10: Diagrama de rbol para la extraccin de sota(S) u otra carta (S)
Nota:
Este mismo resultado se podra haber obtenido sin usar la probabilidad condicionada, del modo:
40
Formas de elegir 2 cartas de entre 40 = ( ).
2
4
Formas de elegir 2 sotas entre 4 = ( ).
2
casos favorables (4) 6 1
2
Por la regla de Laplace, p(obtener 2 sotas) = = = = .
casos posibles (40) 780 130
2
Ejercicios:
1. Una urna contiene 9 bolas rojas y 5 negras. Se extraen sucesivamente 2 bolas. Calcula la
probabilidad de que:
a. la primera bola sea roja y la segunda negra.
b. una sea roja y la otra negra.
2. En una bolsa hay 4 canicas rojas, 4 azules y 2 verdes. Se extraen 3 canicas que resultan ser 2
rojas y una azul. Sin devolverlas a la bolsa se saca otra canica, .de qu color es ms probable
que salga?
Ejemplo:
Tenemos dos urnas, una con 7 bolas rojas y 2 azules, y otra con 3 bolas rojas y 8 azules.
Tiramos un dado. Si nos sale un 3 o un 5, sacamos una bola de la primera urna y en caso
contrario, sacamos una bola de la segunda urna. cul es la probabilidad de que la bola extrada
sea azul?
Evidentemente estamos realizando un experimento compuesto. En primer lugar, se trata de
elegir una urna, para lo cual lanzamos un dado. Si U1 = elegir la urna 1 y U2 = elegir la urna
2 1 4 2
2, es claro que p(U1 ) = = y p(U2 ) = = .
6 3 6 3
Por otra parte, luego realizamos otro experimento consistente en sacar una bola de la urna
elegida.
2
Si A es el evento sacar una bola azul, las probabilidades que conocemos son p(A|U1 ) = y
9
8
p(A|U2 ) = . Se nos pide p(A). Para calcular dicha probabilidad, si representamos el diagrama
11
de rbol:

Figura 2.11: Diagrama de rbol para la extraccin de bolas

Como la probabilidad de A depende de la urna en la que estemos, basta multiplicar las
probabilidades de cada rama que llegue a la bola azul y luego sumar los dos resultados, es decir:
2 2 4 8 4 32 166
() = + = + = = 0.559
6 9 6 11 54 66 297
La justificacin terica para proceder as la da el teorema de la probabilidad total.
Teorema de la probabilidad total:
Si A1 , A2 , . . . , An son sucesos incompatibles dos a dos, y cuya unin es el espacio muestral
(A1 A2 An = E), y B es otro suceso, resulta que:
p(B) = p(A1 ) p(B|A1 ) + p(A2 ) p(B|A2 ) + + p(An ) p(B|An )
Nota:
El conjunto A1 , A2 , , An que verifica la incompatibilidad dos a dos y que la unin de todos
ellos es el espacio muestral se denomina sistema completo de sucesos y este sistema divide el
espacio muestral en partes que no se solapan. Mediante representacin grfica:

Figura 2.12: Sistema completo de sucesos: A1 , A2 , . . . , An

Ejemplo:
Para el caso anterior, A1 = sacar la bola de la urna 1, A2 = sacar la bola de la urna 2 y B =
sacar bola azul.
Aplicando el teorema:
2 2 4 8 4 32 166
p(B) = p(A1 )p(B|A1 ) + p(A2 )p(B|A2 ) = + = + = = 0.559
6 9 6 11 54 66 297
Ejemplo:
En un colegio se imparten slo los idiomas ingls y francs. El 80% de los alumnos estudian
ingls y el resto francs. El 30% de los alumnos de ingls son socios del club musical del
colegio y de los que estudian francs son socios de dicho club el 40%. Se elige un alumno al
azar. Calcular la probabilidad de que pertenezca al club musical.
En estos problemas es importante elegir el sistema completo de sucesos. En este caso: A1 =
estudiar ingls, A2 = estudiar francs y B = ser del club musical. Se pide p(B).
Por el teorema anterior:
80 30 20 40 8
p(B) = p(A1 )p(B|A1 ) + p(A2 )p(B|A2 ) = + = = 0.32
100 100 100 100 25
Mediante el diagrama de rbol:

Figura 2.13: Diagrama de rbol para el problema de idiomas y club musical

Se obtiene el mismo resultado.
Ejercicio:
Se tienen dos urnas, la primera de las cuales tiene 6 bolas blancas, 4 negras y 2 rojas, y la urna 2
tiene 3 bolas blancas y 7 negras.
Se lanza un dado al aire, y si sale mltiplo de 3 se saca de la primera urna y en otro caso se saca
una bola de la segunda urna.
Calcular la probabilidad de que sea:
a. bola blanca
b. bola negra
c. bola roja.
11 26 1
Solucin: , , .
30 45 18

2.8. Tablas de contingencia

Las tablas de contingencia estn referidas a 2 caractersticas que presentan cada una dos o ms
sucesos.
Ejemplo:
En un taller se sabe que acuden, por la maana 3 automviles con problemas de elctricos, 8
con problemas mecnicos y 3 con problemas de chapa. Por la tarde hay 2 con problemas
elctricos, 3 con problemas mecnicos y 1 con problemas de chapa.
a. Calcular el porcentaje de los que acuden por la tarde.
b. Calcular el porcentaje de los que acuden con problemas mecnicos.
c. Calcular la probabilidad de que un automvil con problemas elctricos acuda por la maana.
Resumiendo los datos en una tabla de contingencia:
Pr. Elctricos Pr. Mecnicos Pr. de chapa Total
Maana 3 8 3 14
Tarde 2 3 1 6
Total 5 11 4 20
a. En total acuden 20 y por la tarde acuden 6, luego:
6
p(acudir por la tarde) = = 0.30, es decir, el 30%.
20
b. En total acuden 20 y con problemas mecnicos hay 11, luego:
11
p(problemas mecnicos) = = 0.55, es decir, el 55%.
20
c. Aqu tenemos una informacin adicional (es un coche que tiene problemas elctricos), luego
se trata de una probabilidad condicionada. Con problemas elctricos hay 5 y de ellos 3 por la
maana, luego:
3
p(acudir por la maana|problemas elctricos) = = 0.60, es decir, el 60%.
5
En una tabla de contingencia puede que nos falten datos, pero se pueden hallar fcilmente con
los datos que son conocidos.
Ejemplo
Para tratar de curar una enfermedad se aplica un tratamiento nuevo a 81 pacientes de un
hospital, mientras que en el mismo hospital hay otros 79 pacientes que siguen un tratamiento
antiguo contra la misma enfermedad. En total, con ambos tratamientos los curados son 103, de
los cuales 60 lo son gracias al tratamiento nuevo. Si tratamos de construir la tabla, con los datos
del problema se obtiene:
Tratamiento antiguo Tratamiento nuevo Total
Curarse 60 103
No curarse
Total 79 81
Completa la tabla y responde a las cuestiones:
Si se elige un individuo al azar, calcula la probabilidad de que:
1. Se haya curado.
2. No se haya curado.
3. Se haya curado con el nuevo tratamiento.
4. No se haya curado con el nuevo tratamiento.
5. Se haya curado con el tratamiento antiguo.
6. No se haya curado con el tratamiento antiguo
2.9. El teorema de Bayes.
Como consecuencia del teorema de la probabilidad total y de las propiedades de la probabilidad
condicionada, resulta este importante teorema que permite calcular probabilidades
condicionadas.
Teorema de Bayes:
Si A1 , A2 , , An son sucesos incompatibles dos a dos, y cuya unin es el espacio muestral
(A1 A2 An = E), y B es otro suceso, resulta que:
p(Ai )p(B|Ai )
p(Ai |B) =
p(A1 )p(B|A1 ) + p(A2 )p(B|A2 ) + + p(An )p(B|An )
Demostracin:
p(Ai B)
Por definicin, p(Ai |B) = .
p(B)
p(Ai B)
Ahora bien, recordando que p(Ai B) = p(Ai )p(B|Ai ), debido a que p(B|Ai ) = .
p(Ai )
Por tanto, combinando los dos hechos:
p(Ai B) p(Ai )p(B|Ai )
p(Ai |B) = =
p(B) p(B)
Como por el teorema de la probabilidad total es:
p(B) = p(A1 )p(B|A1 ) + p(A2 )p(B|A2 ) + + p(An )p(B|An )
resulta que sustituyendo:
p(Ai )p(B|Ai ) p(Ai ) p(B|Ai )
p(Ai |B) = =
p(B) p(A1 )p(B|A1 ) + p(A2 )p(B|A2 ) + + p(An )p(B|An )
y el teorema queda demostrado.
Nota:
Las probabilidades p(Ai ) se denominan probabilidades a priori.
Las probabilidades p(Ai |B) se denominan probabilidades a posteriori.
Las probabilidades p(B|Ai ) se denominan verosimilitudes.
Ejemplo:
Dos grupos de una misma clases, uno de 28 alumnos y otro de 35 alumnos hacen conjuntamente
un examen de Maten ticas. La probabilidad de aprobar de los alumnos del primer grupo es de
0.68 y los del segundo del 0.73.
Se toma un examen al azar y resulta que est aprobado, cul es la probabilidad de que sea de
un alumno del primer grupo?
Sea A1 = el examen es de un alumno del primer grupo,
A2 = el examen es de un alumno del segundo grupo
B = el examen est aprobado
Se pide p(A1 |B).
Hagamos antes que nada un diagrama de rbol:

Figura 2.14: Diagrama de rbol para el problema del examen

Por el teorema de Bayes:
p(A1 )p(B|A1 )
p(A1 |B) =
p(A1 )p(B|A1 ) + p(A2 )p(B|A2 )
Sustituyendo:
28
0.68 0.302
p(A1 |B) = 63 = = 0.427
28 35
0.68 + 0.73 0.708
63 63
p(A1 ) es la probabilidad a priori, es decir , antes de realizar el experimento y careciendo de
28
informacin. En este caso p(A1 ) = = 0.444.
63
p(A1 |B) es la probabilidad a posteriori, despus de realizarlo y conocer ms informacin. En
este caso p(A1 |B) = 0.427 (es algo menor).
Ejercicio:
Se tienen dos urnas. En la primera hay 10 bolas blancas, 7 negras y 5 rojas. En la segunda 24
blancas, 4 negras y 9 rojas. Se elige una urna al azar y se saca una bola. Calcular:
a. Probabilidad de sacar bola blanca.
b. Sabiendo que la bola extrada es blanca, probabilidad de que provenga de la segunda urna.
449 264
Solucin: , .
814 449